Cómo el Machine learning puede optimizar la administración de los edificios (gestión administrativa en mantenimiento) para mejorar la oportunidad de respuesta y costos

Abstract

El problema identificado en el edificio administrativo de la sede regional de Coomeva en Bogotá es la baja capacidad de respuesta y los altos costos asociados al mantenimiento de este, lo que afecta la operatividad y continuidad del negocio. Actualmente, el modelo de mantenimiento aplicado es reactivo, lo que genera costos elevados por repuestos y afecta tanto el servicio interno como externo. Según el Instituto de Mantenimiento y Gestión de Instalaciones (IMGI, 2021), el mantenimiento reactivo puede incrementar los costos operativos en un 30% y aumentar el tiempo de inactividad en un 40%. Esta situación pone de relieve la necesidad de un modelo preventivo que minimice la necesidad de reparaciones imprevistas y costosas (Solano, 2024).

La resistencia al cambio, tanto cultural como organizacional, es otro factor que impide la adopción de un enfoque preventivo y proactivo. Muchos líderes de la sede regional corporativa creen que la manera en que se ha manejado el mantenimiento hasta ahora es suficiente y no ven la necesidad urgente de cambiar a un modelo más eficiente y basado en datos (Carballo, 2024). Sin embargo, la investigación plantea que un modelo basado en Machine Learning (ML) puede ser una solución efectiva para mitigar estos problemas, trayendo también otros beneficios asociados a éste. Para este caso, la metodología utilizada, como opción de grado, fue el método PRISMA. Palabras clave: Mantenimiento predictivo, Edificios Administrativos, Machine Learning.